[發明專利]基于VMD-MQPSO-BPn網絡的電力負荷預測方法在審

申請號：	202010673530.8	申請日：	2020-07-14
公開（公告）號：	CN111882120A	公開（公告）日：	2020-11-03
發明（設計）人：	肖秦琨;張雪;鄧雪亞;尹玉婷;張杰韜	申請（專利權）人：	西安工業大學
主分類號：	G06Q10/04	分類號：	G06Q10/04;G06Q50/06;G06N3/08;G06N3/00;G06F17/15
代理公司：	西安新思維專利商標事務所有限公司 61114	代理人：	黃秦芳
地址：	710032 陜***	國省代碼：	陜西;61
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	基于 vmd mqpso bpn 網絡電力負荷預測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明涉及一種基于VMD?MQPSO?BPn網絡的負荷預測方法。以克服現有數據預處理技術存在的端點效應、噪聲殘余和模態混疊的缺陷。采用的方法為：將獲取電力負荷歷史數據作為原始負荷數據序列信號X(t)；利用變分模態分解(VMD)將原始負荷數據序列信號分解成指定個數的本征模態函數；用本征模態函數構建相應不同結構的BP神經網絡；設置BP神經網絡和MQPSO算法的各參數設定值；使用自適應變異量子粒子群算法優化不同結構的BP神經網絡的權重和閾值，建立MQPSO?BPn預測模型；將VMD分解若干個本征模態函數輸入訓練集進行訓練；將訓練后的MQPSO?BPn預測模型應用于每個模態函數的測試數據，得到相應的預測結果；疊加所有模態函數的預測值，得到實際預測結果。

技術領域

本發明屬于電力負荷預測技術領域，涉及一種基于VMD-MQPSO-BPn網絡的負荷預測方法。

背景技術

目前，用于電力系統負荷預測主要有3類：第一是基于傳統數學統計模型的預測方法，第二是基于機器學習的預測算法，第三是使用組合方法。

其中，基于傳統數學統計模型的預測方法如時間序列等方法模型簡單，計算簡潔，具有較快的預測速度，但對復雜非線性系統、表現較強隨機性或者非穩定特性的負荷預測能力差。機器學習方法中，在非線性系統預測中取得較好的預測精度，較傳統算法有很多優點，但其預測的結果在很大程度取決于數據的質量和數量，在實際中，負荷數據是非平穩的是非線性的，機器學習難以填補不規律的空缺，機器學習算法普遍存在超參數確定災難、資源消耗大等缺點。對幾種模型組合的方法來進行未來電力預測，可以結合各模型的優勢彌補單一模型的不足使得電力負荷預測更加精準和可實操性,組合預測模型一種做法是將不同模型預測結果通過一定的權重獲得最終的組合預測模型結果，另一種方法是目前普遍采用的方法，該方法采用對原始序列進行數據預處理，利用常用EMD及EEMD等將其分解為特征互異的多個分量，然后對每個分量分別建立預測模型，將各分量預測結果疊加獲得最終預測值。但是會出現端點效應，模態混疊和噪聲殘余等問題。

發明內容

本發明的目的是提供一種基于VMD-MQPSO-BPn網絡的電力負荷預測方法，以克服現有數據預處理技術存在的端點效應、噪聲殘余和模態混疊的缺陷，同時解決了PSO優化權重時發生群體多樣性丟失和陷入局部極小值的問題。

為了達到本發明的目的，本發明所采用的技術方案是，一種基于VMD-MQPSO-BPn網絡的電力負荷預測方法，包括以下步驟：

步驟1、將獲取電力負荷歷史數據作為原始負荷數據序列信號X(t)；

步驟2、利用變分模態分解(VMD)將原始負荷數據序列信號分解成指定個數的本征模態函數；

步驟3、針對步驟2分解出的本征模態函數構建相應不同結構的BP神經網絡；

步驟4、設置BP神經網絡和MQPSO算法的各參數設定值；

步驟5、使用自適應變異量子粒子群算法(MQPSO)優化不同結構的BP神經網絡的權重和閾值，建立MQPSO-BPn預測模型；

步驟6、根據MQPSO-BPn預測模型，將VMD分解若干個本征模態函數輸入訓練集進行訓練，得到訓練后的MQPSO-BPn預測模型；

步驟7、將訓練后的MQPSO-BPn預測模型應用于每個模態函數的測試數據，得到相應的預測結果；

步驟8、疊加步驟7中所有模態函數的預測值，得到實際預測結果。

上述步驟2中VMD分解具體包括以下內容：